A Web App for Acne Severity Identification with RGB Image Color Scheme
DOI:
https://doi.org/10.25077/TEKNOSI.v12i1.2026.79-86Kata Kunci:
Severity of acne, Web apps, Deep Learning, RGB imageAbstrak
This study addresses the need to detect the severity of acne in skin care and beauty, particularly in managing the diagnosis of acne severity more efficiently and objectively. Acne, a common skin problem, can significantly affect an individual's quality of life and self-confidence. Referring to the prevalence of acne, this study leverages advancements in Deep Learning and Convolutional Neural Networks (CNN) to design a classification model capable of identifying the severity of acne in facial images using the RGB color scheme. CNN is an artificial neural network architecture that can process image data efficiently and accurately. CNN can extract essential features from acne images, such as color, texture, and shape, and classify the severity of acne into four categories: level 0, level 1, level 2, and level 3. The simple application of the model not only provides an efficient solution for acne diagnosis but also has the potential to improve consistency and objectivity in healthcare services. By incorporating transfer learning and color schemes (RGB), the testing results show that the model successfully classifies the severity of acne with an accuracy of 86.89%. Thus, this research contributes to technical and technological advancements and has the potential to positively impact the overall quality of facial skin care services, marking a significant first step in improving facial skin care services.Referensi
J. K. Tan and K. Bhate, “A global perspective on the epidemiology of acne,” British Journal of Dermatology, vol. 172, no. S1, pp. 3–12, 2015, doi: 10.1111/bjd.13462.
A. Alzahrani, I. Petri, Y. Rezgui, and A. Ghoroghi, “Decarbonisation of seaports: A review and directions for future research,” Energy Strategy Reviews, vol. 38, p. 100727, Nov. 2021, doi: 10.1016/j.esr.2021.100727.
N. Yadav, S. M. Alfayeed, A. Khamparia, B. Pandey, D. N. Thanh, and S. Pande, “HSV model based segmentation driven facial acne detection using deep learning,” Expert Systems, vol. 39, no. 3, p. e12760, 2022, doi: 10.1111/exsy.12760.
C. Aggarwal, “Neural Networks and Deep Learning. Cham: Springer International Publishing, 2018”.
Z. V. Lim et al., “Automated grading of acne vulgaris by deep learning with convolutional neural networks,” Skin Research and Technology, vol. 26, no. 2, pp. 187–192, 2020, doi: 10.1111/srt.12794.
L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” Journal of big Data, vol. 8, pp. 1–74, 2021, doi: 0.1186/s40537-021-00444-8.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” presented at the Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778. doi: 10.1109/CVPR.2016.90.
H. Zhang and T. Ma, “Acne detection by ensemble neural networks,” Sensors, vol. 22, no. 18, p. 6828, 2022, doi: 10.3390/s22186828.
Q. T. Huynh et al., “Automatic acne object detection and acne severity grading using smartphone images and artificial intelligence,” Diagnostics, vol. 12, no. 8, p. 1879, 2022, doi: 10.3390/diagnostics12081879.
S. Liu et al., “AcneGrader: An ensemble pruning of the deep learning base models to grade acne,” Skin Research and Technology, vol. 28, no. 5, pp. 677–688, 2022, doi: 10.1111/srt.13166.
A. Quattrini, C. Boer, T. Leidi, and R. Paydar, “A deep learning-based facial acne classification system,” Clinical, Cosmetic and investigational dermatology, pp. 851–857, 2022, doi: 10.2147/ccid.s360450.
S. Liu et al., “AcneTyper: an automatic diagnosis method of dermoscopic acne image via self-ensemble and stacking,” Technology and Health Care, vol. 31, no. 4, pp. 1171–1187, 2023, doi: 10.3233/thc-220295.
S. K. Roy, G. Krishna, S. R. Dubey, and B. B. Chaudhuri, “HybridSN: Exploring 3-D–2-D CNN feature hierarchy for hyperspectral image classification,” IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 2, pp. 277–281, 2019, doi: 10.1109/LGRS.2019.2918719.
J. Wang et al., “A cell phone app for facial acne severity assessment,” Applied Intelligence, vol. 53, no. 7, pp. 7614–7633, 2023, doi: 10.1007/s10489-022-03774-z.
F. Chollet, “Xception Deep learning with depthwise separable convolutions,” presented at the Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 1251–1258. doi: 10.1109/CVPR.2017.195.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 